ETL工具的功能和kettle如何来提供这些功能

  1. 云栖社区>
  2. 博客>
  3. 正文

ETL工具的功能和kettle如何来提供这些功能

技术小哥哥 2017-11-15 11:11:00 浏览1225
展开阅读全文

大家会有一个疑惑,本系列博客是Kettle,那怎么扯上ETL呢?

  Kettle是一款国外开源的ETL工具,纯java编写,可以在Window、Linux、Unix上运行。

 

  说白了就是,很有必要去理解一般ETL工具必备的特性和功能,这样才更好的掌握Kettle的使用。我这里啊,先描述ETL工具的通用功能,再来描述作为ETL工具其中的一种(Kettle)是如何来提供这些功能的(图文详解)

 

 

ETL工具的功能之一:连接

  任何ETL工具都应该有能力连接到类型广泛的数据源和数据格式。对于最常用的关系型数据库系统,还要提供本地的连接方式(如对于Oracle的OCI),ETL应该能提供下面最基本的功能:

  (1)连接到普通关系型数据库并获取数据,如常见的Orcal、MS SQL Server、IBM DB/2、Ingres、MySQL和PostgreSQL。还有很多很多

  (2)从有分隔符和固定格式的ASCII文件中获取数据

  (3)从XML文件中获取数据

  (4)从流行的办公软件中获取数据,如Access数据库和Excel电子表格  

  (5)使用FTP、SFTP、SSH方式获取数据(最好不用脚本)

  (6)还能从Web Services 或 RSS中获取数据。如果还需要一些ERP系统里的数据,如Oracle E-Business Suite、SAP/R3、PeopleSoft 或 JD/Edwards,ETL工具也应该提供到这些系统的连接。

   (7)还能提供Salesforce.com和SAP/R3的输入步骤,但不是套件内,需要额外安装。对于其他ERP和财务系统的数据抽取还需要其他解决方案。当然,最通用的方法就是要求这些系统导出文本格式的数据,将文本数据作为数据源。

 

 

 

 

 

ETL工具的功能之二:平台独立

  一个ETL工具应该能在任何平台下甚至是不同平台的组合上运行。一个32位的操作系统可能在开发的初始阶段运行很好,但是当数据量越来越大时,就需要一个更强大的操作系统。另一种情况,开发一般是在Windows或 Mac机上运行的。而生产环境一般是Linux系统或集群,你的ETL解决方案应该可以无缝地在这些系统间切换。

 

 

 

 

 ETL工具的功能之三:数据规模

  一般ETL能通过下面的3种方式来处理大数据。

  并发:ETL过程能够同时处理多个数据流,以便利用现代多核的硬件架构。

  分区:ETL能够使用特定的分区模式,将数据分发到并发的数据流中。

  集群:ETL过程能够分配在多台机器上联合完成。

 

 

 

 

  Kettle是基于Java的解决方案,可以运行在任何安装了Java虚拟机的计算机上(包括Windows、Linux和Mac)。转换里的每个步骤都是以并发的方式来执行,并且可以执行多次,这样加快了处理速度。

  Kettle在运行转换时,根据用户的设置,可以将数据以不同的方式发送到多个数据流中(有两种几本发送方式:分发和复制)。分发类似与分发扑克牌,以轮流的方式将每行数据只发给一个数据流,复制是将每行数据发给所有数据流。

  为了更精确控制数据,Kettle还使用了分区模式,通过分区可以将同一特征的数据发送到同一个数据流。这里的分区只是概念上类似于数据库的分区。

   Kettle并没有针对数据库分区有什么功能。

   至于Kettle的扩展集群,这个很简单理解,不多赘述。

 

 

 

 

 

 ETL工具的功能之四:设计灵活性

  一个ETL工具应该留给开发人员足够的自由度来使用,而不能通过一种固定的方式来限制用户的创造力和设计的需求。ETL工具可以分为基于过程的和基于映射的。

  基于映射的功能只在源数据和目的数据之间提供了一组固定的步骤,严重限制了设计工作的自由度。基于映射的工具一般易于使用,可快速上手,但是对于更复杂的任务,基于过程的工具才是组好的选择。

   使用Kettle这样基于过程的工具,根据实际的数据和也许需求,可以创建自定义的步骤和转换。

 

 

 

 

 

  ETL工具的功能之五:复用性

  设计完的ETL转换应该可以被复用,这是非常重要的。复制和粘贴已经存在的转换步骤是最常见的一种复用,但这不是真正意义上的复用。

  Kettle里有一个映射(子转换)步骤,可以完成转换的复用,该步骤可以将一个转换作为其他转换的子转换。另外转换还可以在多个作业里多次使用,同样作业也可以为其他作业的子作业。

 

 

 

 

 

 

 ETL工具的功能之六:扩展性

  大家都知道,几乎所有的ETL工具都提供了脚本,以编程的方式来解决工具本身不能解决的问题。另外,还有少数几款ETL工具可以通过API或其他方式为工具增加组件。使用脚本语言写函数,函数可以被其他转换或脚本调用。

  Kettle提供了上述的所有功能。Java脚本步骤可以用来开发Java脚本,把这个脚本保存为一个转换,再通过映射(子转换)步骤,又可以变为一个标准的可以复用的函数。实际上,并不限于脚本,每个转换都可以通过这种映射(子转换)方式来复用,如同创建了一个组件。Kettle在设计上就是可扩展的,它提供了一个插件平台。这种插件架构允许第三方为Kettle平台开发插件。

  大家要清楚,Kettle里的所有插件,即使是默认提供的组件,实际上也都是插件。内置的第三方插件和Pentaho插件的唯一区别就是技术支持。

  假设你买了一个第三方插件(例如一个SugarCRM的连接),技术支持由第三方提供,而不是由Pentaho提供。

 

 

 

 

 

 ETL工具的功能之七:数据转换

   ETL项目很大一部分工作都是在做数据转换。在输入和输出之间,数据要经过校验、连接、分隔、合并、转置、排序、合并、克隆、排重、过滤、删除、替换或者其他操作。在不同机构、项目和解决方案里,数据转换的需求都大不相同,所以很难说清一个ETL工具最少应该提供哪些转换功能。但是呢,常用的ETL工具(包括Kettle)都提供了下面一些最基本的整合功能:

    缓慢变更维度    

    查询值

    行列转换

    条件分隔

    排序、合并、连接

    聚集

 

 

 

ETL工具的功能之八:测试和调试

  这个很简单,不多赘述,后续博客有实战。

 

 

 

 

 

 

ETL工具的功能之九:血统分析和影响分析

  任何ETL工具都应该有一个重要的功能:读取转换的元数据,它是提取由不同转换构成的数据流的信息。

  血统分析和影响分析是基于元数据的两个相关的特性。

  血统是一种回溯性的机制,它可以查看到数据的来源。

  影响分析是基于元数据的另一种分析方法,可以分析源数据对随后的转换以及目标表的影响。

 

 

 

 

 ETL工具的功能之十:日志和审计

   数据仓库的目的就是要提供一个准确的信息源,因此数据仓库里的数据应该是可靠的、可信任的。为了保证这阵可靠性,同时保证可以记录下所有的数据转换操作,ETL工具应该提供日志和审计功能。

     日志可以记录下在转换过程中执行了哪些步骤,包括每个步骤开始和结束时间戳。

     审计可以追踪到对数据做的所有操作,包括读行数、转换行数、写行数。




本文转自大数据躺过的坑博客园博客,原文链接:http://www.cnblogs.com/zlslch/p/6907604.html,如需转载请自行联系原作者

网友评论

登录后评论
0/500
评论
技术小哥哥
+ 关注